基于进化算法辅助深度神经网络的分布式学习,用于不平衡的图像分类

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 不平衡的图像分类在生成高质量和多样化的合成少数样本方面带来了挑战.
• 现有的方法难以平衡样本质量和多样性,阻碍了不平衡数据集的性能.

研究的目的:

• 提出一个进化算法辅助的深度分布学习框架,MEDA_LUDE,用于优化潜在特征分布.
• 为了提高质量-多样性权衡在合成少数样本生成不平衡的图像分类.

主要方法:

• 开发了基于改进的估计分布算法潜伏特征分布演变 (MEDA_LUDE) 框架.
• 采用多变量高斯混合 (GM) 假设和一个新的四阶段训练策略.
• 引入了动态共变量建模的大边际GM (L-GM) 损失,以及MEDA.的相似性引导健身函数.

主要成果:

• 在MNIST (IR:100) 上达到95.9%的准确性,在CIFAR-10上表现1.26%优于最先进的状态.
• 对于工业织物缺陷数据集,DHU-FD的精度提高了1.45%,ALIYUN-FD的精度提高了0.92%.
• 在DHU-FD上显著提高精度 (2.5%) 和G-平均值 (1.17%),在生成的样本中优异的质量-多样性权衡.

结论:

• 通过优化潜在特征分布,MEDA_LUDE有效地解决了不平衡的图像分类问题.
• 该框架在基准和现实数据集上表现出卓越的性能,特别是在织物缺陷检测方面.
• 拟议的方法为在不平衡的学习场景中生成高质量,多样化的合成少数群体样本提供了一个实际的解决方案.